基于数码相机图像的水稻冠层识别方法

作者:杨绍锷;杜鑫;苏利荣;秦芳 刊名:湖南农业科学 上传者:梅祖钧

【摘要】采用数码相机获取水稻冠层的图像,提取图像中红(R)、绿(G)、蓝(B)三通道的色值,依据水稻冠层在可见光范围内的光谱反射规律,设置3个简单的判断条件,以决策树的形式,逐步剔除图像中的非冠层部分,从而达到识别水稻冠层的目的。与人工目视解译的结果进行对比验证,该方法的冠层识别准确率为91.91%,分别比支持向量机方法、最大似然法和神经网络方法高1.56、5.56和15.65个百分点;合计准确率为90.58%,Kappa系数为0.79,其数值低于支持向量机方法(91.55%,0.81),但均高于最大似然法(89.35%,0.77)和神经网络方法(83.48%,0.66)。该方法识别精度较高,计算简便,显示出在水稻冠层识别上有较大的应用潜力。

全文阅读

作物冠层图像识别,通常是指在获取的卫星遥感影像、相机图像、扫描仪图像中,识别出绿色植物冠层部分,并剔除掉非冠层部分(如土壤、水体、枯叶、阴影等)。作物冠层图像识别多被应用于作物营养的快速诊断[1-4],植物覆盖度、叶面积指数的估算[5-8],进而评估作物长势、预估产量等。近年来,随着技术提高,价格降低,数码相机已相当普及,利用其获取冠层图像非常便捷,因此越来越受到学者们的青睐。目前,针对数码相机图像的冠层识别方法主要有3种。一是使用Photoshop软件的“色彩选择”程序,人为手工地在图像中选择色彩相近的冠层区域[9-10];该方法的主要缺陷是耗时费力,人为误差较大。二是监督学习分类方法,如支持向量机[11]、神经网络[12-14]、最大似然法等[15-16],此类方法需要人工选择监督学习分类的纯净图像样本,然后根据样本进行学习,确定分类依据;此类方法的缺点在于计算时间较长,而且需要事先选择图像样本,样本的选取质量直接影响分类结果,操作不够便捷。三是利用图像中的红(R)、绿(G)、蓝(B)三通道的色值,根据植物冠层的光谱反射规律,设定相应的计算公式进行区分。此类方法较常用的指标是2g-r-b[17],其中g=G/(R+G+B),r=R/(R+G+B),b=B/(R+G+B);其分类依据是图像中土壤与绿色植物的2g-r-b差异,将图像二值化处理即可区分开土壤和绿色植物;该方法的缺点是需要根据不同的图像设置二值化阈值,阈值的设置对分类结果影响较大,容易将底层被阴影掩盖的叶片错分为冠层叶片,同时将强光照射下的冠层叶片错分为非冠层,分类精度通常不如前2种方法。目前,常用的冠层识别方法较繁琐,精度还有待提高,而针对数码相机图像进行冠层识别方法的研究仍较少。因此,笔者基于数码相机图像中的红(R)、绿(G)、蓝(B)三通道色值,根据绿色叶片的光谱反射特征,设置3个简单的分类条件,采用决策树的分类方式,以达到简便、快速、准确识别水稻冠层的目的。1材料与方法1.1图像获取及处理在晴天光线充足的情况下,设置数码相机闪光灯关闭状态,使用自动拍照模式,白平衡、曝光值均采用自动调节模式,垂直向下拍摄水稻冠层,获得水稻冠层图像。该试验在水稻分蘖期进行拍摄,使用的是佳能550D数码相机,图像分辨率为2 595×1 728。为了减轻目视解译的工作量,提高目视解译的精度,截取了图像中央的850×650区域进行研究。1.2冠层识别方法根据植物冠层的光谱反射特征,设置3个判断条件,如图1决策树所示,图像中的每个象元都依据这3个条件判断是否为冠层或非冠层,只有满足全部3个条件的象元才归为冠层。(1)G>R:绿色叶片最基本的特征是绿光反射值大于红光反射值,因此不符合该条件的象元即为非冠层区域。(2)G>max(G)×0.2:其中max(G)是指图像中绿光通道的最大值,可反映图像最大的亮度。因为拍摄图像时设置了自动拍照模式,白平衡、曝光值均采用自动调节模式,因此图像中亮度较低的地方通常是光线较暗的底部阴影,或是其他黑色物体。设置条件G>max(G)×0.2,是把图像中低于最大亮度20%以下的图像区域设定为阴影区域或黑色物体,归属于非冠层区域。(3)G/B>1.15:设置该条件的目的,是把绿叶跟同样是绿色的塑料、布料、油漆等区分开。这些物品通常是田间残留的农药肥料包装,或是工作人员穿着的鞋子、衣服、携带的工具等不慎被拍摄到图像中。区分冠层绿叶与其他绿色物品的依据是:绿色冠层中绿光值显著大于蓝光值,而其他绿色物品的绿光值虽然大于蓝光值,但与蓝光值较为接近,因此其他绿色物品的G/B通常在1左右,

参考文献

引证文献

问答

我要提问